          機(jī)器學(xué)習(xí)培訓(xùn)

第1章：緒論

一、機(jī)器學(xué)習(xí)的定義

二、與數(shù)據(jù)挖掘的區(qū)別與聯(lián)系

三、本課程的授課思路與內(nèi)容安排

四、教材及參考書

第2章：模型評(píng)估

一、評(píng)估方法

二、評(píng)估指標(biāo)

三、比較檢驗(yàn)

第3章：線性學(xué)習(xí)

一、線性回歸

二、廣義線性回歸

三、邏輯斯蒂回歸

四、多分類學(xué)習(xí)

第4章：支持向量機(jī)學(xué)習(xí)

一、大邊緣超平面

二、線性支持向量機(jī)

三、非線性支持向量機(jī)

第5章：神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

一、神經(jīng)網(wǎng)絡(luò)的定義

二、神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史

三、M-P神經(jīng)元模型

四、單層感知機(jī)

五、多層前饋神經(jīng)網(wǎng)絡(luò)

六、深層神經(jīng)網(wǎng)絡(luò)

第6章：決策樹學(xué)習(xí)

一、決策樹學(xué)習(xí)基礎(chǔ)知識(shí)

二、決策樹學(xué)習(xí)基本算法

三、決策樹學(xué)習(xí)常見問題

四、決策樹學(xué)習(xí)理解解釋

第7章：貝葉斯學(xué)習(xí)

一、貝葉斯學(xué)習(xí)基礎(chǔ)知識(shí)

二、貝葉斯優(yōu)分類器

三、樸素貝葉斯分類器

四、樸素貝葉斯分類器改進(jìn)

第8章：近鄰學(xué)習(xí)

一、近鄰學(xué)習(xí)基礎(chǔ)知識(shí)

二、近鄰學(xué)習(xí)基本思想

三、近鄰學(xué)習(xí)常見問題

第9章：無(wú)監(jiān)督學(xué)習(xí)

一、無(wú)監(jiān)督學(xué)習(xí)基礎(chǔ)知識(shí)

二、K均值聚類算法

三、K均值聚類算法的變種

四、K均值聚類算法的理解

第10章：集成學(xué)習(xí)

一、集成學(xué)習(xí)基礎(chǔ)知識(shí)

二、集成學(xué)習(xí)常用方法

三、集成學(xué)習(xí)結(jié)合策略

第11章：代價(jià)敏感學(xué)習(xí)

一、代價(jià)敏感學(xué)習(xí)的背景

二、代價(jià)敏感學(xué)習(xí)的定義

三、代價(jià)敏感學(xué)習(xí)的評(píng)估

四、代價(jià)敏感學(xué)習(xí)的方法

第12章：演化學(xué)習(xí)

一、演化學(xué)習(xí)基礎(chǔ)知識(shí)

二、遺傳算法

三、演化神經(jīng)網(wǎng)絡(luò)

四、演化學(xué)習(xí)問題與挑戰(zhàn)

第13章：強(qiáng)化學(xué)習(xí)

一、強(qiáng)化學(xué)習(xí)概述

二、有模型學(xué)習(xí)

三、無(wú)模型學(xué)習(xí)

四、對(duì)強(qiáng)化學(xué)習(xí)的理解

第14章：WEKA平臺(tái)的使用與二次開發(fā)

一、WEKA平臺(tái)的安裝與使用

二、WEKA平臺(tái)的二次開發(fā)